用高斯过程驱动的隐藏马尔科夫模型用于早期诊断婴儿步态异常

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 发育儿科 发育儿科

背景情况:

• 婴儿步态分析对于早期检测运动神经系统疾病至关重要.
• 传统方法在模拟婴儿步态的高度变化和发育变化方面面临挑战.

研究的目的:

• 开发一个概率的高斯过程 (GP) 驱动的隐藏马尔科夫模型 (HMM) 用于婴儿步态分析.
• 为了捕捉复杂的时间动态,并使步态异常的自动识别.
• 改善患有运动神经障碍的婴儿的早期诊断和干预.

主要方法:

• 利用多输出高斯过程 (MoGP) 框架来模拟多个步态信号之间的相互依赖.
• 采用复合内核来捕捉光滑,非光滑和周期性步行行为.
• 集成HMM用于将步行阶段细分为正常和异常状态.

主要成果:

• 与长期短期记忆 (LSTM) 网络相比,MoGP-HMM框架在模拟婴儿步态动态方面表现出更高的性能.
• 在步态分析中获得了更高的准确性,差异解释和时间对齐.
• 为步行轨迹预测提供了增强的解释性和不确定性量化.

结论:

• MoGP-HMM框架是用于自动婴儿步态分析的强大工具,性能优于深度学习方法.
• 能够精确识别病态运动模式和微妙的异常.
• 促进早期诊断和及时干预神经运动障碍的婴儿.